在過去十年中，鋰電池已成為最受歡迎的儲能電池。但他們很容易受到熱失控的影響。當環(huán)境溫度高或發(fā)生某些內(nèi)部故障時，很容易著火或發(fā)生熱爆炸。

這是因為鋰金屬具有高反應(yīng)性，常用的電解質(zhì)是易燃的。目前，大多數(shù)跟蹤鋰離子電池溫度的技術(shù)都不充分，因為傳感器只能讀取電池的外表面溫度，但是，表面溫度不足以告訴電芯的內(nèi)在狀態(tài)。內(nèi)部溫度會提供更多關(guān)于熱力學的信息。

但是，目前很少有方法將傳感器放在電池內(nèi)。通過使用人工智能和機器學習，就可以預(yù)測細胞內(nèi)的溫度，從而能夠檢測其行為。內(nèi)部溫度將提供豐富的數(shù)據(jù)，供給機器學習方法，并結(jié)合數(shù)學模型來預(yù)測細胞內(nèi)部正在發(fā)生的事情。

堪薩斯大學的一項研究人員正在開展一項新的研發(fā)：開發(fā)機器學習技術(shù)，以監(jiān)測和防止鋰離子電池過熱。

該研究將開發(fā)一個基礎(chǔ)框架，用于表征和監(jiān)控鋰電池系統(tǒng)的空間和時間分布的熱行為，建立在第一原理建模，機器學習，分布式估計和網(wǎng)絡(luò)系統(tǒng)的多學科綜合思想的基礎(chǔ)上。

這項工作旨在推動以下方面的進步：

一種混合建模方法，集成了基于第一原理和數(shù)據(jù)驅(qū)動的機器學習模型;

基于混合模型的最優(yōu)估計和機器學習理論;

基于混合模型的原理，算法和工具，用于溫度場重建和熱失控檢測。

小編獲悉，其將使用完全儀表化的PECSBT4050電池測試儀，通過理論分析，基于軟件的仿真和實驗驗證的混合，對模型和算法進行嚴格評估。

該項目負責人表示，計算機學習技術(shù)可以預(yù)測電池內(nèi)部溫度的變化，而不是在整個電池中假設(shè)溫度均勻，就像現(xiàn)在的建模方法“集總參數(shù)模型”一樣，從而更加準確和真實意味著計算電池發(fā)生熱失控的可能性。

當充電或放電時，溫度分布不均勻，通常在電極附近內(nèi)部較高，但是表面外的溫度較低。集總模型僅考慮均勻的溫度分布，但通過機器學習和模型的方法可以提供溫度的時空重建。

鋰電池輸入人工智能以推斷內(nèi)部溫度的數(shù)據(jù)可以在由電池供電的設(shè)備中處理，或者與云計算相關(guān)聯(lián)。如果電池經(jīng)歷熱失控，則設(shè)備將被編程為在電池變得足夠熱以引起火災(zāi)或引發(fā)爆炸之前關(guān)閉或斷開電池。

通過這些創(chuàng)新，鋰電池可以通過將數(shù)百個電池捆綁在一起的電池擴大到更高的工業(yè)水平。據(jù)介紹，鋰電池技術(shù)越來越多地用于大規(guī)模電網(wǎng)，以儲存和釋放太陽能和風能等可持續(xù)技術(shù)產(chǎn)生的電力。

對于大型儲能系統(tǒng)來說，問題更加迫切，因為它們面臨更高的漏洞。在大型系統(tǒng)中，如果一個小區(qū)發(fā)生火災(zāi)，那么多米諾骨牌效應(yīng)將破壞整個系統(tǒng)。如今，整個行業(yè)都在考慮開發(fā)基于鋰電池系統(tǒng)的大規(guī)模儲能。但熱安全問題可能會減緩鋰電池在未來電網(wǎng)能源系統(tǒng)中的使用速度。如果成功完成，這個項目可以幫助應(yīng)對這一挑戰(zhàn)。